Une mémoire qui reste sur votre instance : comment le Brain range le savoir sous forme de graphe

Situation de départ : la mémoire existe depuis longtemps, mais elle ne suit pas vos règles

La scène est familière à quiconque utilise un outil d’IA dans son entreprise. On explique pour la cinquième fois comment s’appelle l’entreprise, qui est la clientèle, à quoi ressemble une offre chez nous et pourquoi tel fournisseur est traité autrement que tous les autres. Le fait que les grands fournisseurs disposent depuis longtemps d’une fonction de mémoire y change moins que prévu. La raison figure dans leur propre documentation, et elle ne tient pas au caractère personnel de ces fonctions. Elles le sont, et le Brain de Kisuno l’est aussi. Elle tient à l’endroit où se trouve le fonds et à qui en décide.

Le fonds se trouve dans l’environnement du fournisseur, et les règles de l’entreprise n’y prennent pas effet d’elles-mêmes. Pour Copilot, Microsoft décrit que les souvenirs enregistrés, les informations déduites de l’historique et les instructions personnelles se trouvent dans la boîte aux lettres Exchange de la personne concernée, dans un dossier masqué.¹ Pour Claude, Anthropic précise que les propriétaires d’une organisation ne peuvent ni consulter ni modifier les souvenirs de chaque utilisatrice et utilisateur ; ils peuvent en revanche être exportés conformément aux règles de conservation de l’organisation.² Que ces mémoires soient personnelles n’est pas le reproche. Le Brain de Kisuno l’est aussi, et pour le travail quotidien c’est la forme de construction qui s’impose. La différence est ailleurs : ce n’est pas l’entreprise qui travaille avec l’outil qui décide de l’endroit où se trouvent les entrées, du temps pendant lequel elles y restent et de ce qui disparaît vraiment lors d’une suppression.

La deuxième lacune concerne le pilotage. Dans la même documentation, Microsoft écrit que les stratégies de conservation configurées dans Purview ne s’appliquent pas à la mémoire de Copilot et qu’il n’existe aucun contrôle d’administration permettant d’imposer des règles de conservation spécifiquement pour elle ; que la suppression d’une conversation ne supprime pas les souvenirs enregistrés qui en sont issus ; que les opérations de la mémoire ne génèrent aucune entrée dans le journal d’audit ; et qu’une administration ne peut pas restreindre le type d’informations qui entrent dans la mémoire.¹ En toute équité, il y est écrit tout autant que les données de la mémoire peuvent être recherchées, exportées et supprimées via eDiscovery et le Graph Explorer, et l’ensemble de la fonction est signalé comme préversion.¹ Le constat demeure malgré tout, et il porte sur les trois premiers points : les règles qu’une entreprise applique de toute façon en matière de conservation, de suppression et de traçabilité ne s’appliquent pas d’elles-mêmes à cet endroit. Sur le quatrième point, nous restons en retrait, car il nous concerne tout autant : chez nous non plus, une administration ne peut pas restreindre à l’avance ce qui entre dans un Brain. Elle peut activer ou désactiver la fonction par accès, rien de plus.

La troisième plainte porte sur le contrôle du contenu. En juin 2026, OpenAI a fait passer la personnalisation à un résumé produit automatiquement, et la liste que l’on pouvait tenir à la main est restée à côté comme fonds ancien ; dans le forum officiel des développeurs est alors apparu le souhait de voir à nouveau précisément, et de gérer entrée par entrée, ce qui est mémorisé.³ Un an plus tôt déjà, le développeur Simon Willison avait critiqué la version précédente au motif qu’elle retirait entièrement ce contrôle et créait une condition agissant de façon invisible sur chaque sortie.⁴ Ce sont des voix isolées et non une enquête, et nous ne les présentons pas non plus comme telles. Elles touchent toutefois le point où un outil de confort privé et un outil destiné à une entreprise divergent.

La quatrième lacune est la rectification. Dans son rapport sur ChatGPT de mai 2024, le groupe de travail du Comité européen de la protection des données a relevé qu’OpenAI suggérait aux personnes concernées, du moins pour l’instant, de passer de la rectification à l’effacement lorsqu’une rectification n’est pas réalisable en raison de la complexité technique.⁵ Pour une entreprise, c’est la différence entre une information corrigée et une information disparue. Qui doit expliquer plus tard pourquoi un renseignement était faux a besoin de la version rectifiée et de la date de la correction, et non d’un vide.

Par souci d’équité, il faut ajouter que tous les points ne s’appliquent pas à tous les fournisseurs. Pour Claude, Anthropic décrit des espaces de mémoire séparés par projet et une liste dans laquelle chaque entrée peut être lue, modifiée et supprimée ; le réglage par défaut varie selon la formule : dans les versions destinées aux particuliers, la mémoire est activée, dans les versions pour les équipes et les entreprises, c’est l’administration qui décide de la disponibilité et la mémoire reste d’abord désactivée pour la personne concernée.⁶ Il ne s’agit donc pas de reprocher à quiconque de la négligence. Il s’agit du dénominateur commun : ces fonctions tournent sur les serveurs du fournisseur. Jusqu’où les règles propres d’une entreprise portent à cet endroit varie d’un fournisseur à l’autre, et chez Copilot, d’après sa propre documentation, elles ne portent pas là où cela compte.

Et une mémoire possède une propriété que l’on ne prête pas à un pense-bête : c’est une surface d’attaque. Depuis 2024, la recherche en sécurité montre que des contenus préparés permettent d’introduire dans la mémoire des instructions durables qui agissent au-delà de la conversation isolée.⁷ Un travail de juillet 2026 montre pour des systèmes agissants comment un seul courriel laisse derrière lui un faux souvenir.⁸ Ce n’est pas un argument contre les fonctions de mémoire. C’est un argument pour que chaque entrée porte sa provenance et puisse être retirée individuellement, et c’est précisément ce que doit accomplir la forme de construction dont il est question ci-après.

Pourquoi l’endroit où se trouve la mémoire est déterminant

Le besoin n’est pas une supposition, il figure dans les enquêtes. En Suisse, la part des PME qui intègrent délibérément l’intelligence artificielle dans leurs processus de travail est passée en un an de 22 % à 34 % ; le plus souvent pour les traductions avec 52 % et la correspondance avec 47 %, c’est-à-dire précisément là où les mots de l’entreprise et ses cas particuliers font la différence. En revanche, seul environ un tiers des entreprises qui utilisent effectivement l’IA dispose d’une réglementation claire de la protection des données pour le maniement des applications d’IA ; chez celles qui comptent de cinq à neuf personnes employées, ce sont 23 %.⁹ Les chiffres proviennent d’une enquête menée auprès de 300 PME de Suisse alémanique et romande ; il s’agit d’un petit échantillon, et nous ne le présentons pas comme un recensement.

La deuxième raison est plus inconfortable, parce qu’elle concerne les personnes. Le savoir qui fait le travail quotidien figure rarement dans un manuel. Il est dans les têtes : qui décide vraiment chez ce client, pourquoi un poste est calculé autrement depuis la dernière transformation, quelle réception ne fonctionne pas sans la direction des travaux. Qui travaille chaque jour avec un outil d’IA lui raconte précisément cela, phrase après phrase, sans l’avoir décidé. La seule question est de savoir où ces phrases se trouvent ensuite. À quel point le marché du travail est tendu à côté de cela, les chiffres officiels le montrent : au quatrième trimestre 2025, l’Office fédéral de la statistique a dénombré 86 000 postes vacants en Suisse, et 36,2 % des entreprises ont signalé des difficultés de recrutement.¹⁰ Un poste qui se libère n’est donc pas repourvu rapidement, et jusque-là manque aussi ce que la personne savait. À l’échelle européenne, le Cedefop attribue expressément les besoins de remplacement aux départs à la retraite et aux changements de métier, donc à des départs par lesquels l’expérience quitte l’entreprise.¹¹ Un Brain personnel ne résout pas ce problème, et nous ne le prétendons pas non plus ; la section sur les limites, plus bas, y revient. Il décide seulement si le savoir recueilli se trouve chez vous ou chez le fournisseur.

Ce qui se passe lorsqu’une entreprise n’a pas sa propre solution a également été étudié. Dans une étude de KPMG et de l’University of Melbourne menée auprès de 48 340 personnes interrogées dans 47 pays, deux personnes actives sur trois ont indiqué s’être fiées à des sorties d’IA sans vérifier les informations fournies, et une part considérable a admis utiliser l’IA à l’encontre des consignes de son entreprise ; le rapport mentionne expressément le téléversement d’informations sensibles de l’entreprise, telles que des données financières, commerciales ou clients, dans des outils d’IA publics.¹² La question n’est donc pas de savoir si le savoir de l’entreprise finit dans un outil d’IA. La question est de savoir s’il finit sur une instance dont l’entreprise détermine la conservation, la sauvegarde et la suppression. Une interdiction déplace le problème vers l’accès privé, où plus personne ne regarde.

S’y ajoute la différence de taille. Selon Eurostat, 20,0 % des entreprises de l’UE d’au moins dix personnes employées utilisaient des technologies d’IA en 2025, après 13,5 % l’année précédente ; dans le détail, il s’agit de 17 % des petites entreprises, de 30,36 % des moyennes et de 55,03 % des grandes.¹³ Parmi celles qui ont un jour envisagé l’utilisation et qui n’y recourent pas, les motifs en tête la même année étaient le manque de connaissances spécialisées pertinentes avec 70,89 %, l’incertitude sur les conséquences juridiques avec 52,52 % et les préoccupations liées à la protection des données avec 48,83 %.¹⁴ Cette population de référence ne comprend expressément que les entreprises qui ont un jour envisagé l’utilisation, et non toutes. Le constat demeure malgré tout : ce qui freine les petites entreprises, ce n’est pas la technique, mais l’absence de contexte et l’absence de certitude sur ce qu’il advient de leurs propres informations.

La troisième raison est juridique et expressément établie pour la Suisse. Le Préposé fédéral à la protection des données et à la transparence rappelle que la loi suisse sur la protection des données s’applique directement aux traitements de données assistés par l’IA.¹⁵ Quiconque dépose donc des informations relatives à des personnes dans une mémoire doit pouvoir en donner communication et les rectifier ou les détruire ; la loi sur la protection des données règle les deux à l’article 25 et à l’article 32.¹⁶ Dans l’Union européenne, les mêmes droits figurent à l’article 15 et à l’article 17 du règlement général sur la protection des données.¹⁷ Ce n’est pas une formalité, mais une exigence adressée à la forme de construction : qui ne peut pas montrer ni supprimer entrée par entrée ne peut pas répondre à ces droits.

Liste contre graphe : le même contenu, deux résultats

Une objection évidente d’abord, parce qu’elle réglerait presque le sujet : pourquoi ne pas simplement déverser tout dans une grande fenêtre de contexte ? Parce qu’une fenêtre de contexte n’est pas une mémoire. Anthropic la décrit dans sa propre documentation comme une mémoire de travail pour un appel unique ; tout l’historique antérieur est renvoyé à chaque tour et ne réside pas dans le modèle.¹⁸ Et en avoir davantage n’aide pas automatiquement. La même documentation indique que la précision et la capacité de rappel diminuent à mesure que le nombre de jetons augmente, un comportement pour lequel la désignation context rot s’est imposée, et que le choix du contenu importe autant que la place disponible.¹⁸ Des études indépendantes montrent la même chose de l’extérieur : lorsque l’information pertinente se trouve au milieu d’un long contexte, elle est nettement moins bien retrouvée qu’au début ou à la fin, et cela vaut aussi pour les modèles expressément conçus pour de longs contextes.¹⁹ Le choix l’emporte sur la quantité. Une prise de position de mai 2026 formule la conclusion de la manière la plus tranchée : des modèles à capacité finie ne pourraient par principe pas représenter l’étendue du savoir des tâches d’entreprise, raison pour laquelle ce savoir devrait figurer dans une couche distincte à côté.²⁰ Il s’agit d’une argumentation et non d’une mesure, et nous la restituons comme telle. La question n’est donc pas de savoir combien on envoie, mais comment on trouve ce qu’il faut.

Pour cela, une mémoire peut être tenue de deux manières. La première est une liste. Chaque entrée est une phrase en soi : l’entreprise compte quatorze personnes employées. La cliente s’appelle Berger. Les offres partent en principe au format PDF. La liste grandit, elle peut être parcourue, et elle répond de manière fiable à toute question qui vise exactement l’une de ses phrases. La plupart des fonctions de mémoire qui se trouvent aujourd’hui dans un outil d’IA sont une telle liste.

La deuxième manière est un graphe. Il n’enregistre pas seulement les phrases, mais le lien entre elles, et ce lien est un objet à part entière, avec son propre nom. La cliente Berger est un nœud. L’offre portant le numéro 114 est un nœud. Entre les deux se trouve une arête qui énonce quelque chose de précis, à savoir que cette offre appartient à cette cliente, et qui possède une direction. À côté se trouve une deuxième arête vers la personne qui a rédigé l’offre, et une troisième vers la règle de prix qui s’appliquait alors.

La différence saute aux yeux précisément lorsqu’une question porte sur plus d’une phrase. Qui veut savoir quelles offres ouvertes sont concernées par la règle de prix modifiée en mai, et qui doit en informer la clientèle, ne pose pas une question de recherche. Cette question n’a pas de résultat, elle a un chemin : de la règle aux offres, des offres à la clientèle, de là aux personnes compétentes. Une liste ne peut pas parcourir ce chemin, parce qu’elle ne l’a jamais enregistré. Et les questions réellement posées dans une entreprise ressemblent presque toujours à cela.

Que cette différence ne sonne pas seulement plausible, mais qu’elle soit mesurée, cela peut se vérifier. Microsoft Research décrit la faiblesse de la pure recherche par similarité en disant qu’elle a du mal à relier les points, parce que suivre des informations dispersées doit passer par des caractéristiques communes.²¹ Le travail correspondant atteste d’améliorations pour des questions portant sur un corpus de textes entier, et ce pour l’exhaustivité et la diversité des réponses ; il n’indique expressément aucun chiffre sur l’exactitude, et nous n’en affirmons donc aucun.²² Indépendamment de cela, c’est-à-dire sans provenir d’un fournisseur de produit de mémoire, un travail issu de la recherche universitaire montre pour les questions en plusieurs étapes une avance allant jusqu’à 20 pour cent par rapport à l’état de l’art.²³ Ce que le graphe n’établit pas encore par là, mais ne fait que situer : une série d’épreuves dédiée à la mémoire à long terme mesure entre autres le raisonnement temporel et la mise à jour du savoir, et constate chez les assistants existants, sur des déroulements plus longs, une chute de 30 pour cent dans la conservation des informations.²⁴ Elle ne compare pas des graphes à des listes ; elle montre l’ampleur du problème que les deux doivent résoudre.

L’idée est d’ailleurs plus ancienne que les modèles de langage, et elle ne vient pas de nous. Qui tient ses notes dans un outil comme Obsidian connaît la vue dans laquelle sa propre collection apparaît comme un réseau de points et de lignes : on voit d’un coup d’œil quelle note est liée à quelle autre, laquelle reste isolée et où un point fort s’est formé. L’extension à code ouvert Vault Graph dessine cette image délibérément de manière calculable plutôt que par forces, de sorte que le même fonds donne toujours la même image et qu’une collection qui a grandi reste reconnaissable ; l’analyse se fait sur l’appareil, parce que tout le reste s’y trouve aussi.²⁵ Le projet Graphify construit à partir d’un fonds hétérogène un graphe de connaissances interrogeable et marque chaque arête selon que la relation figurait dans le matériau ou qu’elle n’a été que déduite.²⁶ L’idée que nous en avons reprise est la plus simple des deux : une arête porte avec elle d’où elle vient.

Ce qui est repris, c’est la manière de penser et non le code. Un carnet de notes sur son propre appareil et un Brain qui tourne dans une entreprise posent des exigences différentes : l’un a le droit d’être désordonné et s’achève avec l’appareil, l’autre se trouve sur l’instance d’une entreprise et doit supporter des contradictions, des délais, la conservation et des demandes d’effacement. C’est pourquoi notre mise en œuvre est la nôtre, et c’est pourquoi la section suivante ne traite pas des graphes en général, mais de ce qui, chez nous, est attaché à une entrée isolée.

La structure : ce qui est attaché à une entrée

Une entrée dans cette mémoire n’est pas une phrase, mais un petit faisceau d’informations. Cela a l’air compliqué, et c’est la raison pour laquelle on peut faire avec elle des choses impossibles avec une note.

Le point de la validité est le plus discret et, en entreprise, le plus important. Dans une mémoire en liste, une nouvelle affirmation est écrite par-dessus l’ancienne, et ce qui valait auparavant a disparu. Ici, l’ancienne affirmation reçoit au contraire une fin et subsiste. Qui demande en septembre quel délai d’escompte s’applique reçoit le nouveau. Qui doit retracer pourquoi une facture a été traitée autrement en mai reçoit l’ancien, avec la date à laquelle il a été remplacé. Une mémoire qui ne connaît que le dernier état ne peut pas répondre à cette seconde question, et c’est elle qui est posée lors d’un contrôle. L’idée est élaborée dans la recherche : une architecture de mémoire de 2025 tient quatre horodatages par affirmation, distingués selon le moment où quelque chose valait dans le monde et le moment où le système en a eu connaissance, et résout les contradictions en invalidant l’arête plus ancienne avec une date au lieu de l’écraser.²⁷ La mise en œuvre associée décrit la même chose comme une fenêtre de validité par affirmation et permet d’interroger aussi bien l’état du jour qu’un moment antérieur quelconque.²⁸

Le deuxième point qui compte au quotidien, c’est la langue. Chaque entreprise a ses propres mots : une désignation pour une opération qui n’existe qu’ici, une abréviation pour une machine, un nom de client qui ne s’écrit pas comme il se prononce. Ces mots figurent comme nœuds propres dans le graphe, avec leurs orthographes et leurs liens. C’est pourquoi personne n’a plus besoin d’expliquer ce que le terme désigne, et c’est pourquoi une réponse générale devient une réponse qui correspond à l’entreprise.

Cela change aussi ce que les autres parties de la plateforme peuvent accomplir, et c’est la véritable raison de cet effort. Un agent de rôle autorisé à lire le graphe n’a plus besoin d’être nourri d’une page de consignes avant de répondre utilement : les responsabilités, les termes et les règles y figurent déjà. Une tâche qui traverse plusieurs systèmes trouve dans le graphe l’attribution qui ne figure complètement dans aucun des systèmes concernés. Nous décrivons ici ce que la forme de construction permet, et nous ne promettons aucun calendrier : ce qu’il en advient au quotidien se décide à la qualité de l’entretien du graphe.

Le chemin d’écriture : comment une phrase devient une entrée

Une mémoire qui retient tout ne vaut rien. Elle se remplit d’insignifiances, et plus elle se remplit, moins elle retrouve l’essentiel de manière fiable. C’est exactement autour de ce point que tournent les plaintes citées plus haut sur l’absence de contrôle. C’est pourquoi, chez nous, le chemin de la phrase prononcée à l’entrée enregistrée n’est pas une seule étape, mais quatre.

D’abord, une affirmation qui dépasse l’instant est faite dans la conversation. Ce n’est que rarement la question et presque toujours une remarque incidente : que la réception chez ce client passe toujours par la direction des travaux, qu’une machine déterminée est réglée autrement depuis la transformation, qu’un autre taux de TVA s’applique à ce groupe de marchandises. Ce qui est ponctuel n’en fait pas partie, et ce qui se limite au mandat en cours non plus.

Il en naît ensuite une proposition et pas encore une entrée. La proposition indique quels nœuds seraient concernés, quelle arête naîtrait et d’où provient l’affirmation. Elle peut être refusée, et refusée veut dire refusée : la proposition ne revient pas à la prochaine occasion.

La troisième étape est la comparaison avec le fonds, et elle est la raison de toute cette forme de construction. Si le nœud existe déjà, il n’en est pas créé un deuxième, mais celui qui existe est complété. Si la nouvelle phrase dit autre chose qu’une phrase existante, cela est traité comme une contradiction et non comme un écrasement : l’affirmation plus ancienne reçoit une fin, la nouvelle un début, et les deux restent lisibles. Et si l’affirmation n’apporte rien de nouveau, elle est écartée, afin que la mémoire n’étouffe pas sous sa propre abondance.

Ce n’est qu’ensuite que l’écriture a lieu, avec la provenance et le moment. À partir de cet instant, l’entrée est à disposition dans chacune de vos conversations, pas seulement dans celle où elle est née. C’est là la véritable différence avec un historique : un historique appartient à une conversation, une entrée appartient à votre Brain et se trouve sur votre instance. Chez nous non plus, une entrée ne disparaît donc pas du fait que vous supprimez la conversation dont elle est issue. La différence, c’est que vous la voyez : elle figure dans votre fonds avec sa provenance et sa date et peut y être retirée individuellement, au lieu de continuer à agir sans que personne s’en aperçoive.

Le chemin de lecture : ce qui quitte le serveur et ce qui n’en sort pas

Vient maintenant la partie où se décide si une mémoire entre seulement en ligne de compte pour une entreprise européenne. Une mémoire n’est utile que si ses contenus entrent dans la réponse. Ils doivent donc parvenir d’une manière ou d’une autre au modèle. La question est de savoir quelle part.

Pour une question, Kisuno détermine d’abord les nœuds d’entrée, c’est-à-dire les endroits du graphe dont il s’agit. De là, les arêtes sont suivies, en règle générale sur une à deux étapes, et ce qui est ainsi réuni est un extrait petit et cohérent : quelques nœuds, les arêtes entre eux, les indications de validité. Seul cet extrait part ensuite vers le modèle avec votre question.

Le graphe lui-même reste où il est. Il se trouve dans la base de données de votre instance, aujourd’hui donc dans les centres de données de Green à Lupfig. Dès que le dépôt avec nos extensions sera disponible, il se trouvera, en auto-hébergement, sur votre propre serveur. Il n’existe aucune opération par laquelle la mémoire serait transmise dans son ensemble à un fournisseur de modèle, y serait répliquée ou y serait constituée. Ce qui quitte votre instance, c’est toujours uniquement l’extrait dont la question isolée a besoin, et c’est le même principe que celui selon lequel travaille aussi la base de connaissances.

Ce qui vaut pour cet extrait, nous le disons ouvertement, parce que c’est la phrase la plus importante de cette section. Aucun fournisseur de modèle n’enregistre vos saisies ni ne les utilise pour l’entraînement. Ce qui subsiste ensuite dépend du modèle choisi, et cela aussi, nous le disons ouvertement : la détection des abus d’AWS peut retenir des requêtes lorsqu’elles pourraient enfreindre les conditions d’utilisation d’AWS ou des fournisseurs de modèles. Pour les modèles GPT, AWS conserve les requêtes marquées et, pour Claude Fable 5 et 5.1, l’ensemble des requêtes jusqu’à 30 jours, afin de contrôler les abus par voie automatique ; les requêtes marquées peuvent en outre être examinées à la main par AWS. Selon les indications d’AWS, ces données ne sont pas transmises aux fournisseurs de modèles. Si l’inférence interrégionale est activée, elles se trouvent dans la région où la requête est traitée.²⁹ Qui veut exclure aussi ces trente jours choisit les modèles de pointe ouverts que des entreprises européennes exploitent sur des serveurs en Europe ; le US CLOUD Act n’y trouve pas à s’appliquer.

La réponse revient ensuite avec la provenance des entrées utilisées. Vous voyez donc non seulement ce que Kisuno croit savoir de votre travail, mais aussi de quelle conversation ou de quel document ce savoir provient. C’est la même idée que la référence dans une réponse issue de la base de connaissances, et pour la même raison : une affirmation sans provenance vérifiable n’est pas utilisable en entreprise.

Consulter, rectifier, supprimer

Une mémoire que l’on ne peut pas ouvrir n’est pas une mémoire, mais une inconnue dans le déroulement. C’est pourquoi chaque entrée est adressable, et ce n’est pas un détail de l’interface, mais une propriété de la forme de construction : parce que le savoir se présente sous forme de nœuds et d’arêtes et non de texte continu, il y a quelque chose que l’on peut désigner.

Il en découle quatre choses qui comptent au quotidien. Premièrement, le fonds peut être consulté, nœud par nœud, avec provenance et date. Deuxièmement, une affirmation fausse peut être rectifiée, et la fausse ne disparaît pas sans laisser de trace : elle est datée comme remplacée ; qui doit savoir pourquoi une réponse antérieure était différente en trouve la raison. Troisièmement, une entrée isolée peut être supprimée, et avec elle partent les arêtes qui y sont attachées. Quatrièmement, tout le fonds se trouve sur votre instance, il est sauvegardé avec elle et supprimé avec elle, et chaque accès figure dans le journal d’audit.

Pour les entreprises en Europe, cela a un côté pratique qui va au-delà du confort. Qui demande la communication au titre de l’article 15 du règlement général sur la protection des données ou l’effacement au titre de l’article 17 le demande pour un objet déterminé, et cet objet doit pouvoir être retrouvé. Dans une mémoire faite de texte continu, c’est une tâche de recherche à l’issue incertaine. Dans un graphe, c’est un nœud avec un identifiant et les arêtes qui y sont attachées. Cela vaut à l’intérieur d’un Brain. À travers plusieurs Brains, il n’existe aucune recherche, parce que seule la personne elle-même y a accès ; ce que cela signifie pour une demande est expliqué plus bas, dans les limites. L’obligation n’est pas remplie pour autant ; ce n’est que par là qu’elle devient remplissable. Cette différence, nous la tenons pour le véritable gain de la forme de construction, et elle est la raison pour laquelle nous l’avons choisie.

Et qui ne veut rien faire enregistrer du tout désactive la fonction pour soi. Elle n’est pas un composant sans lequel la plateforme ne travaille pas, mais une possibilité pour laquelle on se décide.

Limites : ce qu’une mémoire n’accomplit pas

La première limite est en même temps la phrase la plus importante de cet article. Une mémoire ne rend pas un modèle plus intelligent. Elle rend la question plus précise. Ce qui revient reste du texte produit par un modèle de langage, et cela sonne plausible même lorsque la base est bancale. Qui se fie à une réponse sans ouvrir la provenance indiquée n’a rien gagné, si ce n’est de la vitesse.

La deuxième limite est plus inconfortable, parce qu’elle croît avec le temps. Une mémoire retient aussi ce qui est faux. Si une phrase erronée devient une fois un nœud, elle réapparaît dans les réponses et y paraît plus crédible que la première fois, parce qu’elle provient désormais du fonds propre. La détection automatique se trompe à cet égard, selon notre expérience, de manière prévisible : elle confond une remarque en passant avec une règle contraignante. C’est précisément pour cela que la proposition est intégrée avant l’entrée et la provenance sur chaque entrée, et c’est précisément pour cela que l’entretien reste une tâche pour des personnes.

La troisième limite est une délimitation. Le Brain ne remplace ni votre base de connaissances ni votre ERP. Il retient ce qui vaut et ce qui est lié à quoi, pas chaque document et aucune écriture comptable. Les documents restent dans la base de connaissances, les données de base restent dans le système métier, et le raccordement à celui-ci passe par notre passerelle pour les raccordements d’outils, avec la même gestion des droits que partout ailleurs. Ce qui est possible à cet égard figure sous Intégrations. Une mémoire qui tente de remplacer tout cela devient une deuxième base de données, moins bien entretenue.

La quatrième limite concerne les données personnelles. Dans un Brain a sa place ce qui est nécessaire à son propre travail, et non ce qui se rapporte accessoirement à des personnes. Qui y dépose des informations sur des collaboratrices et collaborateurs a besoin d’une finalité, d’une base et, selon le pays et la taille de l’entreprise, du concours de la représentation du personnel. Cet examen, nous ne le faisons à la place de personne, et cet article ne remplace pas un conseil juridique.

La cinquième limite est la succession. Le Brain est personnel, et il s’en va avec la personne : si l’accès est supprimé, le Brain est supprimé avec lui. Qui quitte l’entreprise n’emporte donc rien, mais ne laisse rien non plus avec quoi la personne qui lui succède pourrait travailler. Elle commence avec un Brain vide. Que l’expérience se perde lors des départs, cette forme de construction ne le résout donc pas, et nous ne le prétendons pas. Le poids de tout cela se lit plus haut dans les chiffres sur les postes vacants¹⁰ et sur les besoins de remplacement en Europe.¹¹ Ce que cette forme de construction résout, c’est la question de savoir où se trouve, jusque-là, ce qui a été rassemblé.

La sixième limite est le revers du fait que chaque Brain est personnel : seule la personne elle-même y a accès. Aucune administration et personne d’autre dans l’entreprise n’y regarde. Il n’existe donc pas non plus de recherche à travers tous les Brains, ni de suppression centrale d’informations isolées. Pour une demande de communication ou d’effacement, cela signifie que le chemin passe par la personne qui tient le Brain ; c’est une tâche organisationnelle et non technique. Sans elle, il ne reste que les moyens plus grossiers : un Brain peut être supprimé en entier, il disparaît de toute façon avec l’accès, et la fonction peut être désactivée par accès. Cette situation n’a rien de nouveau. Une boîte aux lettres personnelle, un carnet de notes ou un rangement sur l’appareil de travail ne sont eux aussi accessibles, pour une demande de communication, que par la personne qui travaille avec, et les entreprises s’en accommodent depuis toujours par voie organisationnelle : définir la finalité au préalable, régler l’étendue par écrit, et désactiver là où cela ne suffit pas. Si cela suffit dans votre cas, c’est votre entreprise qui en décide en tant que responsable du traitement, et cet article ne remplace pas un conseil juridique.

La septième limite concerne l’auto-hébergement. La mémoire fait partie de l’ensemble des fonctions et se trouve, en auto-hébergement, entièrement sur votre serveur. La base LibreChat est sous licence MIT ; le dépôt avec nos extensions suivra prochainement. D’ici là, l’exploitation gérée est la voie par laquelle la fonction est disponible, et nous préférons le dire plutôt que de le laisser ouvert.

La huitième limite est le graphe lui-même. Il n’est pas un remède miracle. Son avantage est établi pour certains types de questions : pour les questions portant sur un fonds entier, pour les questions en plusieurs étapes et pour les questions sur le changement au fil du temps. Pour de simples questions de fait isolé, il n’est pas démontrablement meilleur qu’une recherche par similarité ordinaire. Une étude d’un autre fournisseur mesure pour la variante avec graphe, par rapport à la variante sans graphe, un score global meilleur d’environ deux pour cent ; il en découle que l’essentiel du gain ne provient pas de la forme du graphe, mais du fait qu’une mémoire est tenue.³⁰ Nous citons ce chiffre parce qu’il parle contre nous. Notre raison de choisir le graphe est de toute façon une autre : la validité et la provenance par entrée, ainsi que la suppression d’entrées isolées avec leurs liens, ne peuvent pas être logées dans une liste.

Questions fréquentes sur la mémoire de Kisuno

Sources

Toutes les citations, tous les chiffres et toutes les données de cet article proviennent des sources suivantes, vérifiées pour la dernière fois en septembre 2026. Lorsqu’une publication émane du fournisseur du produit décrit, nous le précisons ; les contributions de forum sont signalées comme des voix isolées et non comme une enquête.

1. Microsoft, Gérer la personnalisation et la mémoire de Copilot, Microsoft Learn, état au 2 septembre 2026 ; la fonction y est signalée comme préversion. Il y est écrit littéralement que les souvenirs se trouvent « in the user’s Exchange mailbox in a hidden folder », que les stratégies de conservation de Purview ne valent pas pour la mémoire de Copilot et « There are no admin controls to enforce retention rules specifically for Copilot memory », en outre « Deleting a chat doesn’t delete saved memories that were generated from that chat », « Memory and personalization actions don’t generate audit log entries in Purview » et, à la question d’une restriction portant sur le contenu, « No, admins can’t restrict what type of information is added to Copilot memory » ; en même temps, il y est décrit que les données de la mémoire peuvent être recherchées, exportées et supprimées via eDiscovery et le Microsoft Graph Explorer : learn.microsoft.com
2. Anthropic, Use Claude’s chat search and memory to build on previous context, Claude Help Center, consulté le 14 septembre 2026 : « Owners can’t view or edit a user’s individual memories », « Each project has its own separate memory space and dedicated project summary » et « All memory is retained and exportable by admins in accordance with your organization’s chat data retention policies » : support.claude.com
3. OpenAI Developer Community, demande de fonctionnalité « Memory Summary should not replace Saved Memories », ouverte le 13 juin 2026, avec d’autres prises de parole et une réponse du support d’OpenAI jusqu’au 17 juin 2026. Il s’agit de voix d’utilisateurs dans un forum ouvert et non d’une enquête : community.openai.com
4. Simon Willison, I really don’t like ChatGPT’s new memory dossier, 21 mai 2025 : « The new memory feature removes that control completely » et « There’s now an enormously complex set of extra conditions that can invisibly affect the output of the models ». Opinion isolée d’un développeur, citée ici comme preuve de la nature de la critique et non de sa fréquence : simonwillison.net
5. Comité européen de la protection des données, Report of the work undertaken by the ChatGPT Taskforce, version 1.0, adopté le 23 mai 2024, point 34 : « OpenAI suggests users to shift from rectification to erasure when rectification is not feasible due to the technical complexity of ChatGPT » : edpb.europa.eu
6. Anthropic, Claude’s memory works everywhere, and you decide what’s in it, 25 août 2026 : « Memory is on by default on Free, Pro and Max plans across web, desktop, and mobile », pour Team et Enterprise « memory is off for individual users until they turn it on » et « admins control availability for their organization » ; les entrées figurent dans une liste où elles peuvent être lues, modifiées et supprimées : claude.com
7. The Hacker News, ChatGPT macOS Flaw Could’ve Enabled Long-Term Spyware via Memory Function, septembre 2024, au sujet du travail SpAIware du chercheur en sécurité Johann Rehberger : thehackernews.com
8. The Hacker News, New MemGhost Attack Plants Persistent False Memories in AI Agents Through One Email, juillet 2026, au sujet du travail « When Claws Remember but Do Not Tell » du 6 juillet 2026 : thehackernews.com
9. AXA Suisse, KMU Arbeitsmarktstudie 2025: Künstliche Intelligenz, communiqué de presse du 8 octobre 2025, réalisée par l’institut de recherche Sotomo, enquête auprès de 300 PME de Suisse alémanique et romande, période de terrain du 3 au 10 mars 2025. La part des PME qui intègrent délibérément l’IA dans leurs processus de travail est passée de 22 % à 34 %, les domaines d’utilisation les plus fréquents sont les traductions avec 52 % et la correspondance avec 47 %, et au sujet de la réglementation sur la protection des données il est écrit littéralement « Lediglich ein Drittel der Unternehmen, die KI einsetzen, verfügt über eine klare Datenschutzregelung im Umgang mit KI-gestützten Anwendungen », et pour les entreprises de cinq à neuf personnes employées « nur gerade 23 Prozent ». Le portail PME du Secrétariat d’État à l’économie restitue le même constat avec 34 % et rapporté à l’ensemble des PME interrogées ; nous citons la population de référence plus étroite de l’éditrice de l’étude. La Suisse italienne n’est pas couverte : axa.ch ; kmu.admin.ch
10. Office fédéral de la statistique, Leichte Zunahme der Beschäftigung im 4. Quartal 2025, communiqué du 26 février 2026, statistique de l’emploi BESTA : 36,2 % des entreprises signalent des difficultés de recrutement, 86 000 postes vacants sont dénombrés : admin.ch
11. Cedefop, Labour and Skills Shortage Index, 16 décembre 2024, projection jusqu’en 2035. Les besoins de remplacement y sont expressément attribués aux départs à la retraite et aux changements de métier : « Supply focuses on replacement needs, driven by retirements, career changes ». La source ne nomme à cet endroit aucun pourcentage isolé : cedefop.europa.eu
12. KPMG International et University of Melbourne, Trust, attitudes and use of artificial intelligence: A global study 2025, mai 2025, 48 340 personnes interrogées dans 47 pays, période de terrain de novembre 2024 à la mi-janvier 2025, 67 % des personnes interrogées étaient actives professionnellement. Littéralement : « Two in three report relying on AI output without evaluating the information it provides » ; à un autre endroit, le rapport chiffre expressément la même valeur comme « two thirds (66%) of employees ». Concernant la saisie de données d’entreprise, il nomme le téléversement d’informations sensibles de l’entreprise telles que des données financières, commerciales ou clients dans des outils d’IA publics : kpmg.com
13. Eurostat, 20% of EU enterprises use AI technologies, communiqué du 11 décembre 2025, ainsi que Use of artificial intelligence in enterprises, Statistics Explained, année d’enquête 2025, toutes les entreprises d’au moins dix personnes employées, jeu de données isoc_eb_ai. Les classes de taille sont : petites de 10 à 49, moyennes de 50 à 249, grandes à partir de 250 personnes employées ; Eurostat indique les décimales de manière inégale, nous les reprenons telles quelles. La Suisse ne figure pas dans cette série : ec.europa.eu ; ec.europa.eu
14. Eurostat, Use of artificial intelligence in enterprises, Statistics Explained, données sur les obstacles issues de l’année d’enquête 2025, littéralement « In 2025, among EU enterprises who had ever considered using AI technologies, the most common reason for not using AI technologies was the lack of relevant expertise (70.89%) ». La population de référence ne comprend expressément que les entreprises qui ont envisagé puis écarté l’utilisation de l’IA, et non toutes les entreprises : ec.europa.eu
15. Préposé fédéral à la protection des données et à la transparence, IA et protection des données, publication du 24 septembre 2025, selon laquelle la loi suisse sur la protection des données s’applique directement aux traitements de données assistés par l’IA : edoeb.admin.ch
16. Loi fédérale sur la protection des données, article 25, qui règle le droit d’accès, et article 32, qui règle à l’alinéa 1 le droit à la rectification, texte dans le Recueil systématique du droit fédéral : fedlex.admin.ch
17. Règlement (UE) 2016/679 (règlement général sur la protection des données), article 15 (droit d’accès) et article 17 (droit à l’effacement), texte au Journal officiel : eur-lex.europa.eu
18. Anthropic, Context windows, Claude Developer Platform, consulté le 14 septembre 2026. La fenêtre de contexte y est décrite comme « a working memory for the model » ; sur la longueur, il y est écrit « As token count grows, accuracy and recall degrade, a phenomenon known as context rot » ainsi que « more context isn’t automatically better », et le choix du contenu serait aussi important que la place disponible : platform.claude.com
19. Nelson F. Liu et autres, Lost in the Middle: How Language Models Use Long Contexts, soumis le 6 juillet 2023, paru dans les Transactions of the Association for Computational Linguistics 2024. La performance serait la plus élevée lorsque l’information pertinente se trouve au début ou à la fin, et baisserait nettement lorsque le modèle doit accéder à une information située au milieu, « even for explicitly long-context models » ; étudié sur la réponse à des questions portant sur plusieurs documents et sur des requêtes clé-valeur : arxiv.org
20. Kuldeep Singh, Anson Bastos et Isaiah Onando Mulang', Position: Avoid Overstretching LLMs for every Enterprise Task, soumis le 10 mai 2026. Il s’agit d’une prise de position à l’argumentation théorique et sans mesure empirique ; nous la citons comme argument et non comme preuve chiffrée : arxiv.org
21. Microsoft Research, GraphRAG: Unlocking LLM discovery on narrative private data, 13 février 2024 : « Baseline RAG struggles to connect the dots », parce que relier des informations dispersées supposerait de les suivre à travers des caractéristiques communes, et « Baseline RAG performs poorly when being asked to holistically understand summarized semantic concepts ». Il s’agit d’une déclaration du fabricant, étayée par le travail de la note suivante : microsoft.com
22. Darren Edge et autres, From Local to Global: A Graph RAG Approach to Query-Focused Summarization, soumis le 24 avril 2024, révisé le 19 février 2025. Sont attestées des améliorations de l’exhaustivité et de la diversité des réponses à des questions portant sur un corpus de textes entier, et non un taux de réussite ; le travail n’indique aucun pourcentage sur l’exactitude : arxiv.org
23. Bernal Jiménez Gutiérrez et autres, HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models, soumis le 23 mai 2024, révisé le 14 janvier 2025, paru à NeurIPS 2024. Sur les questions en plusieurs étapes, le procédé dépasse l’état de l’art « by up to 20% » ; le travail ne provient pas d’un fournisseur de produit de mémoire : arxiv.org
24. Di Wu et autres, LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory, soumis le 14 octobre 2024, révisé le 4 mars 2025, paru à l’ICLR 2025. Sont examinés entre autres le raisonnement temporel et la mise à jour du savoir ; une chute de 30 pour cent dans la conservation des informations au fil d’interactions plus longues est mesurée : arxiv.org
25. Lukas Proprentner, vault-graph, code source sous licence MIT, consulté le 14 septembre 2026, ainsi que l’entrée dans le répertoire des extensions Obsidian. La disposition est expressément « deterministic, not force-directed », raison pour laquelle « the same vault always draws the same picture », et l’analyse se fait localement : « Nothing leaves your machine » : github.com ; community.obsidian.md
26. Graphify Labs, graphify, code source sur GitHub, consulté le 14 septembre 2026. Le projet produit à partir d’un fonds hétérogène un graphe de connaissances interrogeable et marque chaque arête selon que la relation figurait dans le matériau ou qu’elle a été déduite : « Every edge is tagged EXTRACTED, INFERRED, or AMBIGUOUS » : github.com
27. Preston Rasmussen et autres, Zep: A Temporal Knowledge Graph Architecture for Agent Memory, 20 janvier 2025. Le travail décrit quatre horodatages par affirmation, distingués selon la validité dans le monde et la connaissance du système, et résout les contradictions en invalidant l’arête plus ancienne au lieu de l’écraser. Il s’agit de la publication du fournisseur au sujet de son propre produit : arxiv.org
28. Zep AI, graphiti, code source, consulté le 14 septembre 2026 : « each fact in a context graph has a validity window: when it became true, and when (if ever) it was superseded » ainsi que « When information changes, old facts are invalidated », expressément pas supprimés ; il est possible d’interroger aussi bien l’état du jour qu’un moment antérieur quelconque, « Query what’s true now, or what was true at any point in time » : github.com
29. Amazon Web Services, Abuse detection, guide de l’utilisateur Amazon Bedrock, consulté le 14 septembre 2026. Il y est décrit qu’Amazon Bedrock n’enregistre en règle générale ni les entrées ni les sorties, que pour les modèles GPT nommés « classifier-flagged traffic will be retained for up to 30 days » et pour Anthropic Claude Fable 5 et 5.1 « all traffic will be retained for up to 30 days », que les requêtes marquées sont « subject to potential human review performed by AWS », que les données conservées sont « stored and processed by AWS and are not shared with third-party model providers » et qu’en cas d’inférence interrégionale elles se trouvent dans la région où le traitement a lieu : docs.aws.amazon.com
30. Prateek Chhikara et autres, Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory, 28 avril 2025, mesuré sur le jeu de données LOCOMO. La variante avec graphe y atteint « around 2% higher overall score than the base configuration » ; l’essentiel du gain provient donc de l’architecture de mémoire et non de la forme du graphe. Il s’agit là aussi d’une publication du fournisseur au sujet de son propre produit : arxiv.org